[發(fā)明專利]基于改進(jìn)拉丁超立方抽樣的虛擬駕駛場(chǎng)景要素重組方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110773122.4
• 申請(qǐng)日: 2021-07-08
• 公開(kāi)（公告）號(hào): CN113408061B
• 公開(kāi)（公告）日: 2023-05-05
• 發(fā)明（設(shè)計(jì)）人: 陳華;陳濤;李楚照;段劍犁;楊立榮;趙樹(shù)廉
• 申請(qǐng)（專利權(quán)）人: 中汽院智能網(wǎng)聯(lián)科技有限公司;中國(guó)汽車工程研究院股份有限公司;中汽院汽車技術(shù)有限公司
• 主分類號(hào): G06F30/15
• 分類號(hào): G06F30/15;G06F30/20;G06F17/16;G06F111/08
• 代理公司: 北京卓澤知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11766
• 代理人: 白海燕

1.一種基于改進(jìn)拉丁超立方抽樣的虛擬駕駛場(chǎng)景要素重組方法，基于鄰車切入場(chǎng)景的原始數(shù)據(jù)，所述原始數(shù)據(jù)中包括有離散要素和連續(xù)要素，其中離散要素分別是天氣和道路等級(jí)，連續(xù)要素分別是鄰車切入時(shí)刻的主車速度、目標(biāo)車速度和相對(duì)縱向距離，其特征在于，包括如下步驟：

1)統(tǒng)計(jì)原始數(shù)據(jù)中所有離散要素組合；

2)確定抽樣的離散要素組合在累計(jì)概率分布中的采樣點(diǎn)位置；

3)確定抽樣的離散要素組合屬性；

4)確定各離散要素組合的抽樣次數(shù)；

5)從每種離散要素組合對(duì)應(yīng)的原始數(shù)據(jù)中提取連續(xù)要素；

6)計(jì)算連續(xù)要素的累計(jì)概率分布；

7)根據(jù)離散要素組合的抽樣次數(shù)，確定抽樣的連續(xù)要素在累計(jì)概率分布中的采樣點(diǎn)位置；

8)確定連續(xù)要素值；

9)連續(xù)要素相關(guān)性控制；

10)全部抽樣的離散要素和連續(xù)要素重組，構(gòu)成虛擬駕駛場(chǎng)景數(shù)據(jù)；

其中，步驟1)中，包括統(tǒng)計(jì)所有離散要素組合的相對(duì)概率和累計(jì)概率分布；

其中，步驟2)和步驟3)中，基于式(1)計(jì)算抽樣的離散要素組合在累計(jì)概率分布中的采樣點(diǎn)位置：

P_S代表第s組抽樣數(shù)據(jù)中離散要素組合對(duì)應(yīng)的累計(jì)概率，

當(dāng)0＜P_S≤P(D₁)時(shí)，確定P_S對(duì)應(yīng)的離散要素組合歸屬為D₁，

當(dāng)P(D_i)＜P_S≤P(D_i+1)時(shí)，確定P_S對(duì)應(yīng)的離散要素組合歸屬為D_i+1，

D_i表示第i組離散要素組合；

其中，步驟6)中，以離散要素組合分類為基礎(chǔ)統(tǒng)計(jì)連續(xù)要素的累計(jì)概率分布，方法如下：

從某種離散要素組合對(duì)應(yīng)的原始數(shù)據(jù)中，提取第k種連續(xù)要素?cái)?shù)據(jù)，構(gòu)成樣本集C_1k；然后將樣本集C_1k中的連續(xù)要素按照值升序進(jìn)行排序，并去除重復(fù)的值，再次獲得樣本集C_1k-unique；

分析C_1k-unique中相鄰值的間隔，如果某相鄰值的間隔大于所有間隔的平均值，則在該相鄰值區(qū)間內(nèi)插入一個(gè)新的樣本點(diǎn)，再次獲得新樣本集C_1k-unique’，在新樣本集中所有相鄰值的間隔均小于平均間隔；

基于C_1k-unique’，統(tǒng)計(jì)第k種連續(xù)要素的所有值在C_1k中出現(xiàn)的次數(shù)，獲得其相對(duì)概率分布，再根據(jù)相對(duì)概率分布獲得其累計(jì)概率分布P_C1k；

其中，步驟7)和步驟8)中，同樣基于式(1)計(jì)算抽樣的連續(xù)要素在累計(jì)概率分布中的采樣點(diǎn)位置，然后根據(jù)步驟6)計(jì)算的累計(jì)概率分布，分別在小于所述累計(jì)概率的范圍內(nèi)和在大于所述累計(jì)概率的范圍內(nèi)各取最接近的5個(gè)樣本點(diǎn)，然后通過(guò)三次樣條插值法計(jì)算對(duì)應(yīng)的連續(xù)要素的值；

其中，步驟9)中，對(duì)每種離散要素組合對(duì)應(yīng)的所有連續(xù)要素，構(gòu)成抽樣矩陣C_1s，采用Cholesky分解法進(jìn)行相關(guān)性控制。

2.根據(jù)權(quán)利要求1所述的虛擬駕駛場(chǎng)景要素重組方法，其特征在于，

步驟4)中，根據(jù)離散要素組合屬性和概率統(tǒng)計(jì)，確定各離散要素組合的抽樣次數(shù)。

3.根據(jù)權(quán)利要求1所述的虛擬駕駛場(chǎng)景要素重組方法，其特征在于，

步驟7)中，如果小于所述累計(jì)概率的范圍內(nèi)，或者大于所述累計(jì)概率的范圍內(nèi)的樣本點(diǎn)不超過(guò)5個(gè)，則全部提取。

4.根據(jù)權(quán)利要求1所述的虛擬駕駛場(chǎng)景要素重組方法，其特征在于，

首先，隨機(jī)生成一個(gè)與C_1s同樣行列數(shù)的順序矩陣R，R的每一列由整數(shù)隨機(jī)排列而成；然后計(jì)算R的Spearman相關(guān)系數(shù)矩陣CM_R，并進(jìn)行Cholesky分解，獲得分解后的下三角矩陣Q，如式(2)所示；

然后，對(duì)C_1s的Spearman相關(guān)系數(shù)矩陣CM_in同樣進(jìn)行Cholesky分解，獲得下三角矩陣P，然后根據(jù)式(3)計(jì)算輸出順序矩陣G，并使C_1s中每一列的數(shù)據(jù)按照G的每一列數(shù)據(jù)的順序進(jìn)行重新排序，重新排序后的C_1s’即為得到控制后的數(shù)據(jù)，

CM_R＝Q*Q^T??(2)

G＝P*Q^-1*R??(3)。